Способ определения уровня яркости в зоне интереса цифрового медицинского рентгеновского изображения - RU2431196C1

Чертежи

Описание

Изобретение относится к способам обработки цифровых медицинских рентгеновских изображений, а именно к вычислению уровня яркости в зоне интереса цифрового медицинского рентгеновского изображения.

Медицинское рентгеновское изображение, помимо изображения проекций органов пациента, как правило, содержит изображения проекций частей прибора (коллиматора) и воздуха. Под зоной интереса обычно понимают такую часть изображения, в которой присутствует изображение только проекций органов пациента. Необходимость правильно определить уровень яркости возникает, например, в следующих случаях:

1) при визуализации цифрового изображения на экране монитора;

2) для контроля экспозиции при съемке серии изображений.

Визуализация изображения с правильными уровнями яркости и контраста способствует лучшему пониманию рентгеновского изображения и, соответственно, правильной постановке диагноза. При съемке серии последовательных изображений на рентгеновском аппарате, зная уровень яркости в зоне интереса предыдущего изображения, можно правильно выставить время экспозиции цифрового детектора для съемки следующего изображения. Правильно подобранная экспозиция позволяет получать изображения существенно лучшего качества без затемненных и/или засвеченных областей с оптимальным отношением сигнал-шум в зоне интереса. Стандартная частота съемки серии изображений составляет 30 кадров в секунду, поэтому чрезвычайно важно определять уровень яркости достаточно быстро, чтобы успевать регулировать время экспозиции и/или характеристики излучения рентгеновской трубки. Также необходимо, чтобы способ вычисления уровня яркости являлся устойчивым при вычислениях на серии последовательных изображений.

Известен способ [1, стр.32] определения уровня яркости изображения. Уровень яркости в этом способе вычисляют как среднее значение минимальной и максимальной яркостей

Level=(Value_α+Value_1-α)/2

Value_α есть квантиль уровня α яркости пикселей по всему изображению. Параметр α выбирают достаточно малым, как правило, не более 0,01. Этот способ не обеспечивает необходимую точность вычисления уровня яркости при наличии на изображении областей с изображениями воздуха и/или коллиматора.

Наиболее близким техническим решением, выбранным в качестве прототипа, является способ определения уровня яркости, описанный в [2, стр.6]. Способ по прототипу заключается в том, что после считывания цифрового изображения в оперативную память устройства проводят следующие вычисления.

1) Вычисляют гистограмму изображения с интервалом группировки, равным единице.

2) Определяют уровень яркости A, при котором пиксели с меньшей яркостью считают пикселями фона.

3) Анализируют гистограмму на интервале с яркостью пикселей, больших A. Вычисляют яркость MVP, которая соответствует максимальному значению гистограммы в указанном интервале.

4) Выбирают первоначальные значения для визуализации изображения: уровень окна WL₀=MVP (window level) и ширина окна WW₀=2×(MVP-A) (window width).

5) Вычисляют параметр ΔWW=WW₀/2.

6) Используя нейронную сеть, для каждой пары значений (WL₀±ΔWW, WW₀±ΔWW) вычисляют индекс качества

7) Применяя итерационную процедуру (hill climbing method), определяют такую пару (WL_c, WW_c), при которой индекс качества Q_c имеет максимальное значение. Во время итерационной процедуры параметр ΔWW корректируется.

Индекс качества вычисляют с помощью искусственной нейронной сети прямого распространения, далее - нейронной сети, с одним скрытым слоем и с одним нейроном в выходном слое с сигмоидальными функциями активации нейронов. Уровень окна и ширина окна (WL_c, WW_c), соответствующие максимальному индексу качества Q_c, считают оптимальными параметрами для визуализации изображения.

Для обучения используют одно или несколько изображений, для которых опытным оператором устанавливают желаемые значения уровня окна и ширины окна (WLG, WWG). Далее составляют таблицу из 25-ти значений

(WLG±ΔWWG/2±ΔWWG/4, WWG±ΔWWG/2±ΔWWG/4)↔Q_i,

ΔWWG=WWG/2;

Q_i - заданные значения индекса качества.

Для каждой пары (WL_i, WW_i) вычисляют входные аргументы нейронной сети (пять или более аргументов). Индекс качества Q_i, соответствующий паре (WL_i, WW_i), используют в качестве целевого значения. Таким образом, отмечая желаемые параметры уровня окна и ширины окна на заданном наборе изображений, оператор получает данные для обучения нейронной сети, после чего проводит ее обучение.

Недостатки способа по прототипу заключаются в следующем.

1) В применении к задаче контроля экспозиции, когда необходимо определить только уровень яркости, способ предоставляет избыточную информацию.

2) В способе не контролируется устойчивость алгоритма при вычислениях на серии последовательных изображений, что важно для контроля экспозиции при съемке серии изображений.

Задача изобретения заключается в определении уровня яркости, соответствующей среднему значению яркости в зоне интереса медицинского рентгеновского изображения.

Технический результат заявляемого способа заключается в вычислении уровня яркости в зоне интереса медицинского рентгеновского изображения. При этом способ является устойчивым при вычислениях на серии последовательных изображений. Дополнительным техническим результатом заявляемого способа является простота аппаратной реализации и высокая скорость исполнения алгоритма.

Технический результат в способе определения уровня яркости в зоне интереса цифрового медицинского рентгеновского изображения, включающем получение изображения, вычисление гистограммы изображения, преобразование значений гистограммы во входные аргументы нейронной сети и вычисление уровня яркости с использованием искусственной нейронной сети, достигается тем, что значения гистограммы вычисляют с заданным интервалом группировки, нормируют к единице и используют в качестве входных аргументов нейронной сети, уровень яркости вычисляют как линейную функцию от выходного значения нейронной сети, а обучение нейронной сети проводят с использованием обучающего множества, вычисленного по заданной базе изображений, в качестве множества целевых значений используют уровни яркости, вычисленные для каждого изображения по зоне интереса и масштабированные к области значений функции активации нейрона выходного слоя нейронной сети.

В качестве нейронной сети используют искусственную нейронную сеть прямого распространения с одним скрытым слоем и выходным слоем из одного нейрона с сигмоидальными функциями активации нейронов.

Интервал группировки для вычисления значений гистограммы полагают равным отношению квантиля распределения яркости пикселей изображения, с уровнем, близким к единице, к числу входных аргументов нейронной сети.

Уровень яркости в зоне интереса изображения вычисляют как среднее значение яркости пикселей, принадлежащих зоне интереса.

Значения гистограммы вычисляют по всем пикселям изображения.

Значения гистограммы вычисляют по пикселям, принадлежащим кругу, центр которого совпадает с центром изображения, а его диаметр равен минимальной стороне изображения.

В основе алгоритма лежит экспериментально установленный факт существования статистической зависимости между гистограммой изображения и уровнем яркости в зоне интереса.

Особенность заявляемого способа заключается в следующем.

1) В качестве входных аргументов нейронной сети используют нормированные к единице значения гистограммы изображения, вычисленной с заданным интервалом группировки.

2) Уровень яркости вычисляют как линейную функцию от выходного значения нейронной сети.

3) Обучение нейронной сети проводят с использованием обучающего множества, вычисленного по заданной базе изображений, в качестве множества целевых значений используют уровни яркости, вычисленные для каждого изображения по зоне интереса и масштабированные к области значений функции активации нейрона выходного слоя нейронной сети.

Для идентификации статистической зависимости между гистограммой и уровнем яркости используют искусственную нейронную сеть прямого распространения [3, стр.55]. Выделим основные этапы в осуществлении способа.

1) Сбор и классификация базы данных из медицинских рентгеновских изображений.

2) Построение множества обучающих примеров - множества входных аргументов нейронной сети и множества целевых значений.

3) Выбор функции ошибки и алгоритма обучения нейронной сети.

4) Обучение набора нейронных сетей с различной архитектурой, с различным числом входов, слоев и нейронов.

5) Выбор нейронной сети, с наименьшим числом параметров, наилучшим образом подходящей для решения задачи.

Осуществление способа определения уровня яркости поясняется следующими чертежами.

На фиг.1 представлен пример цифрового медицинского рентгеновского изображения с одного из рентгеновских аппаратов.

На фиг.2 изображена зона интереса, соответствующая изображению на фиг.1.

На фиг.3 представлен пример гистограммы 16-разрядного изображения. По горизонтали идет шкала яркости, а по вертикали - количество пикселей с данной яркостью. Вертикальными линиями показано разбиение интервала [0, Bright] на 32 части. Значение Bright определено как квантиль яркости изображения с уровнем α=0,999.

На фиг.4 представлена типичная гистограмма относительной ошибки для обучающей выборки

Error=100×(Level'/Level-1),

Level' - уровень яркости, вычисленный с помощью заявляемого способа;

Level - уровень яркости, вычисленный по зоне интереса.

На фиг.5 представлена типичная гистограмма относительной ошибки для тестовой выборки.

Этап подготовки базы данных изображений заключается в классификации изображений по типам органов и в построении для каждого изображения бинарного изображения с зоной интереса. Построение бинарного изображения с зоной интереса можно сделать с помощью специализированного программного обеспечения или вручную, обозначая на изображении зону интереса в любом стандартном редакторе. На первом этапе организуют базу данных, которая состоит из множества пар {image, Roi}, где Image-исходное изображение и Roi-изображение соответствующей зоны интереса. В нашем случае было собрано и обработано около десяти тысяч изображений.

Перейдем ко второму этапу - к этапу построения множества обучающих примеров. Для каждой пары {Image, Roi} вычисляют гистограмму изображения Hist, с интервалом группировки, равным единице, и уровень яркости по зоне интереса Level. В качестве уровня яркости выбирают среднее значение яркости пикселей по всем пикселям зоны интереса

Level - уровень яркости в зоне интереса;

p_k - значение яркости k-того пикселя;

M - количество пикселей в зоне интереса.

В результате таких вычислений для каждой пары изображений {Image, Roi} получают пару гистограммы и уровня яркости {Hist, Level}.

Гистограмму можно вычислять как по всему изображению, так и по заранее выбранной области. Как правило, пациента при съемке располагают так, чтобы изображение проекций снимаемых органов приходилось на центр цифровой матрицы. Поэтому во втором варианте вычисления гистограммы в качестве такой области можно выбрать окружность, центр которой совпадает с центром изображения, а диаметр, например, равен наименьшей стороне изображения.

Перейдем к вычислению для каждой пары {Hist, Level} входных аргументов Input и целевого значения Target. Входные аргументы и целевые значения, образующие множество обучающих примеров, должны удовлетворять следующим условиям:

1) Пары {Input, Target} должны быть инвариантными относительно умножения изображения на константу и не зависеть от размера изображения (с поправкой на дискретность яркости пикселей).

2) Целевые значения Target должны лежать в области значений функции активации нейрона выходного слоя.

Затем необходимо обеспечить инвариантность пар {input,Target} относительно умножения изображения на константу следующим образом. Для гистограммы Hist определяют интервал яркости [0, Bright] такой, что верхний предел Bright есть квантиль уровня α яркости пикселей изображения. Разделим интервал [0, Bright] на S равных интервалов и вычислим Input_i как сумму значений гистограммы Hist_k, принадлежащих интервалу I,

Input_i - значение входного аргумента с индексом i;

Hist_k - значение гистограммы Hist с индексом k.

В итоге значения Input_i нормируют к единице

Число S определяет количество входов нейронной сети и подбирается путем численных экспериментов вместе с параметром α. Входные аргументы Input есть нормированные к единице значения гистограммы, вычисленной с интервалом группировки, равным отношению Bright/S. Далее для каждого Level вычисляют отношение Target'=Level/Bright. Вычисленные таким образом пары {Input, Target'} инвариантны относительно умножения изображения на константу и не зависят от размера изображения.

Перейдем к построению множества целевых значений. В качестве функций активации нейронов используют сигмоидальную функцию

область значений которой есть интервал [0, 1], поэтому множество целевых значений Target' также необходимо привести к этому интервалу. Для этого используют линейное преобразование

Приведем выражение для вычисления уровня Level по выходному значению нейронной сети Output

Level=Bright×(C₁×Output+С₂)

C₁=max{Target'}-min{Target'};

С₂=min{Target'}.

Уровень яркости вычисляют как линейную функцию от выходного значения нейронной сети.

В качестве функций ошибки нейронной сети используют следующие два варианта. Первый вариант есть среднеквадратичная ошибка с регуляризацией

Второй вариант - средневзвешенная квадратичная ошибка с регуляризацией

Ratio - параметр регуляризации;

W_i - вес, соответствующий обучающей паре {Input, Target} с индексом i;

N - количество обучающих пар, участвующих в вычислении ошибки;

Первое слагаемое в этих выражениях определяет точность обучения нейронной сети, а второе слагаемое, регуляризующий член, обеспечивает устойчивость нейронной сети. Веса W_i вычисляют по формуле

т.е. парам с большим значением

Для обучения нейронной сети используют стандартный алгоритм обучения - метод сопряженного градиента с обратным распространением ошибки [4, стр.525]. Параметр регуляризации Ratio подбирают таким образом, чтобы исключить случайные выбросы более 0,5 процента при многократном вычислении уровня Level при вращении изображения. В нашем случае этот параметр оказался равным Ratio=0,9999.

Чтобы обойти проблему переобучения, используют стандартный прием, в котором множество обучающих примеров {Input, Target} делится на две части. Одну из них используют для обучения нейронной сети, а вторую для ее тестирования. Как мы писали выше, после сбора базы данных изображений проводят их классификацию по типу органов. Далее разделяют множество обучающих примеров на две выборки в соотношении 80 и 20 процентов таким образом, чтобы 80 процентов каждой группы изображений попали в обучающую выборку, а оставшиеся 20 процентов в выборку для тестирования.

Численные эксперименты показали, что для решения поставленной задачи оказалось возможным использовать нейронную сеть прямого распространения с одним скрытым слоем, с числом входов от 30 до 60 и числом нейронов от 5 до 10 в скрытом слое. Параметр α можно выбрать из интервала от 0,98 до 0,9999. Для реализации заявляемого способа определения уровня яркости в конкретном аппарате была выбрана нейронная сеть с наименьшим количеством параметров при прочих равных условиях.

Источники информации

1) Р.Гонсалес, Р.Вудс, С.Эддинс. Цифровая обработка изображений в среде MATLAB. Техносфера, 2006.

2) Патент EP 0409206 B1, опубл. 01.10.1997.

3) Саймон Хайкин, Нейронные сети. Полный курс. И.Д.Вильямс, 2006.

4) Moller, Neural Networks, vol.6, 1993.

Реферат

Изобретение относится к средствам обработки цифровых рентгеновских изображений. Техническим результатом является повышение скорости обработки цифрового изображения. Способ заключается в следующем: получают изображение, вычисляют его гистограмму, преобразуют значения гистограммы во входные аргументы нейронной сети и вычисляют выходное значение нейронной сети. В качестве входных аргументов нейронной сети используют нормированные к единице значения гистограммы, вычисленные с заданным интервалом группировки. Уровень яркости вычисляют как линейную функцию от выходного значения нейронной сети. Обучение нейронной сети проводят с использованием обучающего множества, вычисленного по заданной базе изображений, в качестве множества целевых значений используют уровни яркости, вычисленные для каждого изображения по зоне интереса и масштабированные к области значений функции активации нейрона выходного слоя нейронной сети. 5 з.п ф-лы, 5 ил.

Формула